Berita / Blog

Neural Network adalah sebuah cabang dari kecerdasan buatan (artificial intelligence) yang cara kerjanya meniru cara kerja syaraf-syaraf otak manusia. Dengan cara ini, Neural Network memberikan program komputer sebuah kemampuan untuk bisa mengenali pola dan menyelesaikan berbagai masalah.

Neural network meniru bagaimana neuron (sel saraf) saling mengirimkan sinyal. Neural network sejatinya melatih data agar bisa belajar dan meningkatkan akurasi seiring berjalannya waktu. Ketika algoritma yang mampu belajar ini sudah tersetel dengan baik akurasinya, ia kemudian bisa digunakan untuk mengklasifikasi klaster data dengan sangat cepat.

Singkatnya, neural network ini bisa menjadi alat yang sangat powerful dalam bidang ilmu komputer dan kecerdasan buatan (artificial intelligence). Berkat neural network, komputer bisa dengan mudah mengenali ucapan (speech recognition) atau mengenali gambar (image recognition) dengan cepat bahkan dalam hitungan menit.

Neural Network: Bagian dari Deep Learning

Neural Network memang salah satu cabang ilmu kecerdasan buatan (artificial intelligence). Secara khusus neural network adalah bagian dari Deep Learning. Deep Learning adalah bagian dari machine learning, salah satu cabang dalam ilmu kecerdasan buatan.

Neural Network menjadi pondasi bagi deep learning. Deep learning membuat kita bisa menggunakan neural network yang lebih besar dan kompleks, dengan banyaknya lapisan (layer) yang saling terhubung satu sama lain. Menurut sis.binus.ac.id, ada tiga jenis neural network yang menjadi dasar bagi sebagian besar model.

Tiga jenis neural network ini misalnya Artificial Neural Network (ANN), Convolutional Neural Network (CNN), dan Recurrent Neural Network (RNN). Akan tetapi kali ini kita belum akan membahas secara detail masing-masing dari ketiga jenis tersebut.

Untuk saat ini mari kita lanjutkan pembahasan umum dan singkat mengenai Neural Network.

Neural Network: Meniru Cara Kerja Sel Saraf pada Otak Manusia

Otak manusia mampu mengenali sesuatu (misal: tulisan tangan, gambar) dan mengambil keputusan/tindakan atas sesuatu tersebut dengan sangat cepat. Ini semua berkat adanya sel saraf (neuron) yang mampu mengirimkan sinyal-sinyal secara cepat. Kondisi inilah yang ingin ditiru oleh neural network.

Sel saraf manusia digambarkan seperti berikut ini:

Sumber gambar: socs.binus.ac.id

Cara kerja sel saraf manusia yaitu menerima stimulan (input) melalui dendrit, kemudian stimulan tersebut di proses di badan sel dan diteruskan ke axon untuk kemudian dihasilkan output.

Nah inilah yang ditiru oleh neural network. Mengikuti konsep sel saraf manusia, yaitu menerima input, memproses input tersebut, kemudian menghasilkan output. Konsep ini membuat mesin dapat memproses sesuatu kemudian melakukan suatu hal dari input-input yang telah diproses.

Bangunan dasar dari neural network adalah neuron. Sebuah neuron mengambil satu set input, melakukan komputasi terhadapnya, dan memproduksi satu output. Dalam neural network, neuron-neuron ini diorganisasikan ke dalam lapisan-lapisan (layers).

Umumnya, ada beberapa lapisan (multiple layers), misalnya saja input layer, satu atau lebih hidden layer, dan sebuah output layer. Input layer bertugas menerima input secara mentah, hidden layer (lapisan-lapisan tersembunyi) memproses input tersebut, dan output layer menghasilkan output.

Dalam neural network, perceptron adalah objek yang melakukan kalkulasi (penghitungan). Perhatikan diagram neural network berikut ini:

Gambar: bmc.com

X1, x2, x3 adalah input, kemudian lingkaran di tengah adalah perceptron (kalkulasi). Dalam hal ini, penjelasan untuk diagram di atas yaitu, input-input dikumpulkan kemudian dimasukkan ke dalam perceptron (kalkulasi) untuk kemudian menghasilkan output. Proses ini terus diulang hingga dihasilkan model yang paling akurat.

Adapun komputasi yang dilakukan oleh neuron merupakan matematika sederhana yang disebut fungsi aktivasi. Fungsi aktivasi yang umum digunakan dalam neural network adalah rectified linear unit (ReLU), yang didefinisikan dengan formula f(x)=max(0,x). Fungsi ini menerima input tunggal x dan menghasilkan 0 bila x lebih kecil dari 0, dan x bila x lebih besar atau sama dengan 0.

Selain neuron dan fungsi aktivasi, ada juga istilah weights dan bias yang diasosiasikan dengan masing-masing neuron. Dua hal ini merupakan nilai skalar yang dipelajari selama proses pelatihan, dan mereka mengontrol seberapa banyak setiap input berkontribusi kepada output dan apa itu ‘ambang batas’ pada fungsi aktivasi.

Secara umum, berikut adalah workflow untuk neural network:

1. Input diterima dan diteruskan ke input layer, yang kemudian meneruskannya ke hidden layers (bisa jadi ada beberapa hidden layer).
2. Informasi mengalir melalui serangkaian komputasi di masing-masing neuron dan layer.
3. Hasil akhir (output) diproduksi oleh output layer.
4. Hasil akhir (output) dibandingkan dengan output yang diinginkan, dan kemudian eror dikalkulasi.
5. Eror digunakan untuk mengatur kembali weights dan biases, dengan menggunakan algoritma yang disebut backpropagation.
6. Proses training dilakukan dalam iterasi, biasanya menggunakan dataset yang besar, hingga eror bisa diminimalisir.

Agar bisa memprediksikan sesuatu dengan tepat, maka neural network perlu terus menerus dilatih. Ia harus terus menerima input dalam jumlah besar agar bisa semakin ‘pintar’ dalam mengenali. Lama waktu yang dibutuhkan untuk melatih neural network sangat beragam, bisa hitungan jam, bulan, bahkan tahun.

Perlu dicatat bahwa workflow di atas hanyalah secara umum saja. Pada kenyataannya, ada banyak variasi dan nuansa yang masing-masing bergantung pada arsitektur dan penerapan yang spesifik.

Contoh Neural Network

(1) Handwriting Recognition (Pengenalan Tulisan Tangan)

Sudah banyak perangkat yang dibekali teknologi pengenalan tulisan tangan (handwriting recognition). Tablet Android dan Ipad adalah contoh nyata dari teknologi ini. Anda bisa menulis menggunakan jari atau pen khusus di layar Android atau Ipad, kemudian neural network akan bekerja mengenali tulisan tersebut sehingga tulisan tangan tersebut seketika berubah jadi ketikan pada layar.

(2) Facial Recognition (Pengenalan Wajah)

Kamera smartphone yang ada sekarang ini mampu memperkirakan usia seseorang berdasarkan fitur-fitur pada wajahnya.

Ketika Anda mengambil gambar menggunakan kamera smartphone, pertama neural network akan memisahkan wajah dengan latar pada foto. Selanjutnya, neural network akan menghubungkan garis-garis dan titik-titik pada wajah untuk mendapatkan informasi perkiraan usia.

(3) Prakiraan

Neural network juga dipakai dalam bidang prakiraan, lho. Neural network dilatih untuk bisa memahami pola-pola dan mendeteksi kemungkinan terjadinya hujan atau tidak.

Kemudian untuk prakiraan naik turunnya harga saham pun bisa dilakukan dengan bantuan neural network. Hasil prediksi neural network juga diklaim memiliki tingkat keakuratan yang tinggi.

(4) Komposisi Musik

Dalam bidang musik, yang merupakan bidang kreatif, ternyata juga bisa diterapkan neural network. Neural network terutama digunakan untuk mempelajari pola-pola dan musik untuk kemudian melatih diri agar bisa mengkomposisi sebuah musik yang baru.

Lihat video berikut untuk secara singkat memahami apa itu Neural Network:

 

Referensi:

1. What are Neural Networks? | IBM
2. A Beginner’s Guide to Neural Networks and Deep Learning | Pathmind
3. Neural Network In 5 Minutes | What Is A Neural Network? | How Neural Networks Work | Simplilearn
4. Dasar Pemahaman Neural Network
5. What Is a Neural Network? An Introduction with Examples – BMC Software | Blogs.

3d body photo created by kjpargeter – www.freepik.com